論文の概要: Clinical translation of machine learning algorithms for seizure detection in scalp electroencephalography: systematic review
- arxiv url: http://arxiv.org/abs/2404.15332v2
- Date: Tue, 13 Aug 2024 20:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-15 17:46:37.927797
- Title: Clinical translation of machine learning algorithms for seizure detection in scalp electroencephalography: systematic review
- Title（参考訳）: 頭皮脳波における発作検出のための機械学習アルゴリズムの臨床翻訳 : 系統的検討
- Authors: Nina Moutonnet, Steven White, Benjamin P Campbell, Saeid Sanei, Toshihisa Tanaka, Hong Ji, Danilo Mandic, Gregory Scott,
- Abstract要約: 我々は,臨床翻訳性に着目して,発作検出のための機械学習アルゴリズムを体系的にレビューした。
非スペシャリストにとって、モデルの開発と評価の文脈化に必要なドメイン固有の知識が提供される。
- 参考スコア（独自算出の注目度）: 7.237573434817034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning algorithms for seizure detection have shown considerable diagnostic potential, with recent reported accuracies reaching 100%. Yet, only few published algorithms have fully addressed the requirements for successful clinical translation. This is, for example, because the properties of training data may limit the generalisability of algorithms, algorithm performance may vary depending on which electroencephalogram (EEG) acquisition hardware was used, or run-time processing costs may be prohibitive to real-time clinical use cases. To address these issues in a critical manner, we systematically review machine learning algorithms for seizure detection with a focus on clinical translatability, assessed by criteria including generalisability, run-time costs, explainability, and clinically-relevant performance metrics. For non-specialists, the domain-specific knowledge necessary to contextualise model development and evaluation is provided. It is our hope that such critical evaluation of machine learning algorithms with respect to their potential real-world effectiveness can help accelerate clinical translation and identify gaps in the current seizure detection literature.
- Abstract（参考訳）: 発作検出のための機械学習アルゴリズムはかなりの診断可能性を示しており、最近の報告では100%に達する。
しかし、臨床翻訳の成功要件を完全に解決したアルゴリズムはごくわずかである。
これは例えば、トレーニングデータの特性がアルゴリズムの一般性を制限する可能性があるため、アルゴリズムの性能は脳波(EEG)取得ハードウェアがどのハードウェアで使用されたかによって異なり、実行時の処理コストはリアルタイムの臨床的ユースケースでは禁止される可能性がある。
これらの問題に批判的な方法で対処するために,我々は,一般性,ランタイムコスト,説明可能性,臨床関連パフォーマンス指標などの基準によって評価された臨床翻訳性に着目して,発作検出のための機械学習アルゴリズムを体系的にレビューした。
非スペシャリストにとって、モデルの開発と評価の文脈化に必要なドメイン固有の知識が提供される。
このような機械学習アルゴリズムの潜在的な実世界の有効性に対する批判的な評価が、臨床翻訳を加速させ、現在の発作検出文献のギャップを識別するのに役立つことを願っている。
関連論文リスト
- Exploring Machine Learning Algorithms for Infection Detection Using GC-IMS Data: A Preliminary Study [2.4961885884659987]
本研究は, 正確な感染診断の現在進行中の問題に対処することを目的としている。
Gas Chromatography-Ion Mobility Spectrometry (GC-IMS)データを利用して、機械学習アルゴリズムを1つのプラットフォームに組み込むことで、この問題に対処することを目指している。
論文 参考訳（メタデータ） (2024-04-24T09:25:16Z) - The Significance of Machine Learning in Clinical Disease Diagnosis: A
Review [0.0]
本研究では、時系列医療指標における心拍データの伝達を改善するための機械学習アルゴリズムの能力について検討する。
検討中の要因は、アルゴリズムの利用、対象とする疾患の種類、採用されるデータの種類、応用、評価指標などである。
論文 参考訳（メタデータ） (2023-10-25T20:28:22Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。
認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。
我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2023-07-14T03:15:56Z) - Counterfactual Explanations and Predictive Models to Enhance Clinical
Decision-Making in Schizophrenia using Digital Phenotyping [0.966840768820136]
統合失調症患者の症状の個人的変化を予測・検出・説明できる機械学習システムを提案する。
このシステムは、変更点アルゴリズムを用いて症状の減少を検知し、医療におけるシミュレーションされた継続的監視シナリオにおけるリコースとして反ファクト的説明を用いる。
論文 参考訳（メタデータ） (2023-06-06T19:33:03Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳（メタデータ） (2022-07-21T09:35:38Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳（メタデータ） (2021-12-06T16:30:43Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Review of Machine Learning Algorithms for Brain Stroke Diagnosis and
Prognosis by EEG Analysis [50.591267188664666]
ストローク(Strokes)は、アメリカ合衆国の成人障害の主要な原因である。
脳-コンピュータインタフェース(Brain-Computer Interfaces、BCI)は、患者の神経経路の回復または電子補綴器との効果的なコミュニケーションを支援する。
さまざまな機械学習技術とアルゴリズムをBCI技術と組み合わせることで、脳卒中治療にBCIを使うことは、有望で急速に拡大する分野であることを示している。
論文 参考訳（メタデータ） (2020-08-06T19:50:29Z) - Data Efficient and Weakly Supervised Computational Pathology on Whole
Slide Images [4.001273534300757]
計算病理学は、客観的診断、治療反応予測、臨床関連性の新たな形態学的特徴の同定を可能にする可能性がある。
ディープラーニングベースの計算病理学アプローチでは、完全に教師された設定でギガピクセル全体のスライド画像(WSI)のマニュアルアノテーションを必要とするか、弱い教師付き設定でスライドレベルのラベルを持つ何千ものWSIを必要とする。
ここでは、クラスタリングに制約のある複数のインスタンス学習について紹介する。
論文 参考訳（メタデータ） (2020-04-20T23:00:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。